Newsora
IT之家11/22 23:15 · 22 分钟前

美国初创企业公布 AI 自研 CPU 架构 Frostbite,能效是传统处理器的 4.59 倍

IT之家 11 月 22 日消息,美国加利福尼亚州帕洛阿尔托的初创公司 Architect Labs 在一篇研究博客中宣布,其人工智能系统已经自主发现、设计并验证了一款名为 Frostbite 的通用 CPU。这款处理器采用全新的指令集,从底层开始重新设计,试图摆脱传统 CPU 的部分架构限制。在 25 项工作负载测试中,由 4 个计算单元组成的 Frostbite 集群,每瓦性能达到一款尺寸相近、已经完成硅验证的双发射顺序执行 CPU 核心的 4.59 倍。不过,这些数据来自基于 7 纳米工艺的模拟设计,Frostbite 尚未真正流片,因此还没有实际芯片可以验证。由于法律方面的原因,Architect Labs 暂时无法公开作为对照的 CPU 核心型号。传统 CPU 需要在运行时通过硬件判断不同指令之间的依赖关系,重新识别哪些指令可以并行执行。多核处理器还需要复杂的多级缓存体系和缓存一致性协议,确保每个核心看到的共享内存数据保持一致。不过,这些机制不仅占用芯片面积、消耗电力,也会在处理器规模扩大时面临扩展效率下降的问题。IT之家注意到,Architect Labs 提出的替代方案被称为“免费多线程”(Multithreading for Free)。其核心思路是让程序本身直接暴露可以并行执行的工作,而不是依赖传统线程、锁机制或乱序执行硬件,在运行过程中寻找并行机会。Frostbite 由多个计算单元(Tile)组成,每个 Tile 都是一个结构相同的小型处理单元,通过片上网络互相连接,并拥有独立的小容量本地内存。在本次性能测试中,公司采用了由 4 个 Tile 和 4 个 L3 节点组成的计算集群,与传统 CPU 核心进行比较。不过,Frostbite 的完整设计实际上包含 16 个 Tile。在早期综合阶段,这款处理器的设计频率一度达到 800MHz,但在最终布局设计中降至 500MHz。除了每瓦性能达到对照处理器的 4.59 倍,Frostbite 集群的单位面积性能也达到了对照核心的 8.77 倍。具体来看,不同工作负载下,Frostbite 的能效提升幅度存在明显差异:测试项目Frostbite 每瓦性能提升全部 25 项测试(几何平均值)4.59 倍用于设计调优的 10 项测试6.02 倍最终评估阶段才引入的 15 项测试3.83 倍表现最好:conv2d(未参与调优)23.12 倍表现最差:递归斐波那契(未参与调优)1.15 倍值得注意的是,参与 Frostbite 设计的 AI 系统最初并没有采用任何预设的处理器架构理念。Architect Labs 将这种状态称为“零架构先验”(Zero Architectural Priors)。不过,团队仍然提前确定了处理器需要重点优化的工作负载。随后,多个 AI 智能体通过阅读学术论文和性能测试资料,建立 Python 模型,并从中选定一个架构方向展开设计。最初生成的设计文档长达 141 页,涵盖编程模型、运行时环境和高层级硬件模块。但在第一版寄存器传输级(RTL)设计生成后,这份 PDF 文档就被删除了。公司解释称,文档中的许多数字和估算结果与物理实现的实际可能性相差甚远。这份文档从一开始就只是设计起点。确定架构方向后,AI 智能体不再依赖英语描述硬件规格,因为团队认为,自然语言无法准确表达所有细节,也难以发现其中的错误。取而代之的是,AI 使用 Architect Labs 自行开发的硬件描述语言 ASL 编写规格。ASL 可以转换为 Lean 证明系统中的形式化表达,进而接受机器验证。公司认为,这种方式能够消除大量潜在错误,同时减少 AI 智能体为了满足优化目标而钻规则空子的可能性。在此基础上,AI 智能体还开发了 Arcmodel。这是一个使用 ASL 编写的软件模型,能够模拟整颗芯片的运行行为,而且在真正开始电路设计之前就已经建立完成。由于直接模拟 RTL 的速度较慢,AI 智能体选择先在 Arcmodel 上测试设计方案。该模型的运行速度约为 RTL 仿真的 200 倍。不过,最初模型给出的功耗估算并不准确,最大偏差接近 250%。随后,系统通过自动化迭代不断调整模型,最终将其功耗估算结果与实际电路设计的测量结果之间的偏差缩小至 5% 以内。完成基础模型后,大量 AI 智能体开始并行提出设计优化方案。每项修改都必须经过规格验证、快速模型测试、电路设计实现和功耗测量,只有通过各项检查的方案才会被保留。整个过程中,AI 智能体一共尝试了 58 项优化方案,最终保留 37 项。此外,系统还意外出现了一种人类设计者从未明确规定的行为,即所谓的“工作窃取”(Work Stealing):当某个 Tile 没有任务可执行时,可以从相邻 Tile 获取尚未完成的工作;如果没有可用任务,则进入空闲状态以节省电力。在能耗分布方面,Frostbite 也与传统 CPU 呈现出明显差异。根据公司对 20 种工作负载的平均测量结果(不包括时钟分配能耗),两者的能耗构成如下:能耗项目传统 CPUFrostbite内存57%38%指令获取、解码和发射27%6%片上网络和调度器未单独统计26%时钟分配(占总能耗比例)49%41%从数据来看,Frostbite 将指令获取、解码和发射环节的能耗占比从 27% 降至 6%,但片上网络和调度器也带来了新的能耗开销,占比达到 26%。这并不是 Architect Labs 首次展示 AI 参与设计的处理器。今年 8 月,该公司还公布了 Redwood,一款面向机器人和无人机的 AI 推理加速器。对于 Redwood,Architect Labs 表示,两名人类架构师只需提供设计规格,AI 就能在不到两周的时间内生成 RTL 代码、验证程序、固件、驱动程序和计算内核。不过,Redwood 目前也只在 FPGA 上运行,尚未制造出实际芯片。公司称,正在推进与台积电(TSMC)合作的流片计划。与此同时,总部位于英国剑桥的初创公司 Tendrils Compute 也在开发类似方向的处理器。本月早些时候,该公司完成新一轮融资,并表示正在研发一款能够让“数千个核心并行运行”的处理器。此外,Tendrils Compute 也在开发一种名为 Vine 的编程语言,Frostbite 的程序同样采用这种语言编写。Architect Labs 表示,未来还将公布更多性能测试结果,但这只是其计划的一部分。公司还希望推出一个基于 FPGA 的在线软件实验平台,让任何人都能运行 Frostbite 程序,同时提供一个初步版本的操作系统。最终,公司计划公开 Frostbite 的 RTL 设计代码和指令集。在性能评估方面,Architect Labs 还计划扩大测试工作负载范围,并引入更多 CPU 作为对照,包括将更大规模的 Frostbite 网格架构,与配备大容量缓存的多核版本对比。此外,公司还计划与规模更大、指令执行宽度更高的乱序执行 CPU 展开比较。相关测试预计将在未来几个月进行,届时将采用 SPEC、PARSEC 等主流 CPU 基准测试套件。需要注意的是,目前 Frostbite 公布的性能优势仍然来自模拟设计,尚未经过实际硅芯片验证。它能否在真正制造出来后保持这些能效优势,还需要后续流片和实测结果给出答案。

聚合站点:此处仅展示原媒体摘要,全文请前往来源阅读。
阅读全文 →